Uma análise sobre o comportamento tóxico em jogos on-line baseada em tópicos de conversa

Abstract

Multiplayer Online Battle Arena (MOBA) são jogos competitivos, nos quais a vitória depende do trabalho em equipe entre os jogadores. O comportamento tóxico atrapalha a comunicação entre jogadores e diminui a coesão de uma equipe, provendo um ambiente de jogo pior aos envolvidos. Trabalhos na área focam na detecção automática e na caracterização do comportamento tóxico, através de features textuais envolvendo a comunicação entre jogadores. Nós investigamos os padrões de conversa utilizados por jogadores de League of Legends, um jogo MOBA popular, e investigamos os efeitos destes padrões sobre o desempenho e a contaminação tóxica destes jogadores, quais as transições mais prováveis entre estes padrões, bem como caracterizamos tais padrões de acordo com os principais sentimentos evocados por estes. Neste trabalho, buscamos dissecar o comportamento de jogadores em partidas de MOBAs, identificando e validando os tópicos de conversa utilizados por jogadores nestas partidas, tópicos estes que correspondem a diferentes comportamentos adotados por jogadores. Através dos tópicos, nós: a) caracterizamos o comportamento de grupos de jogadores; b) analisamos como os tópicos afetam o desempenho e a contaminação de grupos de jogadores, através de métricas criadas para tal fim; c) descobrimos tendências de como a conversação flui durante uma partida; e d) analisamos como diferentes padrões de conversa associam-se com emoções, através da construção de um léxico de sentimentos voltado a conversas em MOBAs. Descobrimos que os aliados de um jogador tóxico são, em geral, mais afetados pelo comportamento tóxico do que seus adversários e, que oponentes são mais afetados quando o comportamento tóxico é diretamente direcionado a eles (por exemplo, insultos racistas). Jogadores sem contato significativo com jogadores tóxicos tendem a ser mais positivos, concentrando-se em táticas de jogo e socialização. Também descobrimos que comportamento negativo apresentado por jogadores não-ofensores aparenta ser transitório, podendo voltar a normalidade com relativa facilidade, enquanto jogadores tóxicos recusam-se a colaborar com seu time após algum conflito com este, e que a falta de confiança entre membros de uma equipe, bem como sentimentos de medo, podem servir como estopim para o comportamento tóxico. Nossos resultados podem servir de porta de entrada para trabalhos mais complexos sobre o estado emocional de jogadores, além poderem ser explorados para um melhor entendimento do comportamento tóxico, bem como para sua detecção através de meios automatizados, até mesmo buscando prevenir tal comportamento durante uma partida.

Multiplayer Online Battle Arena (MOBA) are competitive games, in which victory depends on efficient teamwork between players. Toxic behavior disrupts communication between players and decreases the cohesion of a team, providing a game ambiance that is worse for those involved. Works in the area focus on the automatic detection of toxic behavior, through textual features involving communication between players. We investigated the patterns of conversation used by players from League of Legends, a popular MOBA game, and investigated the effects of these patterns on the performance and toxic contamination of these players, which are the most likely transitions between these patterns, as well as characterizing these patterns according to the main sentiments evoked by them. In this work, we try to dissect the behavior of players in MOBAs matches, identifying and validating the topics of conversation used in those matches through in-game chat, topics that correspond to different kinds of behavior adopted by players. Through these topics, we: a) characterize the behavior of groups of players; b) analyze how these topics affect the performance and contamination of groups of players, through metrics created for this purpose; c) discover trends in how conversations flow during a match; and d) analyze how different patterns of conversation are associated with different emotions by building a specific lexicon of emotions for the conversations between players in MOBAs. We have found that allies of a toxic player are generally more affected by toxic behavior than their opponents, and that opponents are most affected when toxic behavior is targeted at them (e.g. racist insults). Players without significant contact with toxic players tend to be more positive, focusing on game tactics and socialization. We also found that negative behavior in non-offender players appears to be transient, as it can return to normalcy with relative ease, while toxic players refuse to cooperate with their team after some conflict, and that lack of trust between teammates, as well as fear emotions, can serve as a trigger for toxic behavior. Our results can serve as a gateway to more complex work on the emotional state of players, and can be exploited to better understand toxic behavior as well as to detect it through automated means, even to prevent such behavior during a game .